在dataframe python列中搜索单词

我有两个文本栏，我想知道一个栏中的单词是否出现在另一个栏中。我编写了下面的代码，它工作得很好，但是它可以检测字符串中是否存在单词。例如，它将在“ham”中找到“ha”。我想改用正则表达式，但我被卡住了。我遇到了这个问题，并查看了第二个答案，但我无法根据自己的目的修改它。我想做类似的事情

我将非常感谢您的帮助和/或任何指点

d = {'emp': ['abc d. efg', 'za', 'sdfadsf '], 'vendor': ['ABCD enterprise', 'za industries', '' ]}
df = pd.DataFrame(data=d)
df['clean_empy_name']=df["emp"].str.lower().str.replace('\W', ' ')

def check_subset(vendor, employee):
    s = []
    for n in employee.split():
      # n=" " + n +"[^a-zA-Z\d:]"
      if ((str(n) in vendor.lower()) & (len(str(n))>1)):
        s.append(n)
    return s

check_subset("ABC-xy 54", "54 xy")

df['emp_name_find_in_vendor'] = df.apply(lambda row: check_subset(row['vendor'],row['clean_empy_name']), axis=1)
df

#########更新2 我更新了我的数据框，如下所示

d = {'emp': ['abc d. efg', 'za', 'sdfadsf ','abc','yuma'], 'vendor': ['ABCD enterprise', 'za industries', '','Person Vue\Cisco','U OF M CONTLEARNING' ]}
df = pd.DataFrame(data=d)
df['clean_empy_name']=df["emp"].str.lower().str.replace('\W', ' ')

我使用了第一个答案提供的代码，但失败了

在

'Person Vue\Cisco'

的情况下，它会抛出错误

错误：错误转义\c

。如果我在

'Person Vue\Cisco'

中删除\项，代码运行正常

如果出现

'U of M CONTLEARNING'

时，当它们明显不匹配时，将返回

U

和

M

---

是的，你可以！这将有点混乱，所以让我分几个步骤来构建：

首先，让我们为

check_子集（“ABC xy 54”，“54 xy”）

的单个案例创建一个正则表达式：

• 我们将使用

  re.findall（pattern，string）

  在

  string

• 正则表达式模式基本上会说“任意单词”：
  • 对于“any”，我们使用

    |

    （或）运算符
  • 为了构造单词，我们需要使用括号将单词分组。。。然而，括号

    （word）

    创建了一个跟踪的组，因此我们可以稍后调用重用这些组，因为我们不感兴趣，我们可以通过添加

    ？：

    创建一个非捕获组，如下所示：

    （？：word）

重新导入
关于findall（'（？：54）|（？：xy）'ABC xy 54'）
#->['xy'，'54']

现在，我们必须每次构造

模式

：

• 分词
• 将每个单词包装在非捕获组中

  （？：）

• 通过

  |

re.findall（“|”）.join（[”（？：“+x+”）”表示“54 xy.split（）”）中的x，'ABC xy 54'）

一个次要的问题是，由于最后一行的供应商是空的，并且您似乎不希望匹配（从技术上讲，空字符串与所有内容都匹配），因此我们必须添加一个次要检查。因此，我们可以将您的函数重写为：

def check_subset_regex(vendor, employee):
    if vendor == '':
        return []

    pattern = '|'.join(['(?:'+x+')' for x in vendor.lower().split(' ')])
    return re.findall(pattern, employee)

然后我们可以用同样的方法：

df['emp_name_find_in_vendor_regex'] = df.apply(lambda row: check_subset_regex(row['vendor'],row['clean_empy_name']), axis=1)

最后一点意见是，您的解决方案匹配部分单词，因此员工Tom Sawyer将“Tom”与供应商“Atomic S.A.”匹配。我在这里提供的正则表达式函数不会将此作为匹配项，如果您想这样做，正则表达式将变得更加复杂

---

编辑：删除供应商的标点符号

您可以像对clean_employee所做的那样添加一个新列，也可以简单地将删除操作添加到函数中（您需要

导入字符串

，以获取

字符串。标点符号

，或者只需在其中添加一个包含所有要替换符号的字符串）：

本着教鱼的精神：），在正则表达式中，

[]

表示这些字符中的任何一个。。。因此，

[abc]

将与

a | b | c

相同

因此，

re.sub

行将用

'

（其计算结果为

！“\$%&\'（）*+，-./：；？@[\]^ `{{124}

）字符替换出现的

'

）字符（删除它们）

---

EDIT2:在每个搜索词的末尾添加一个非字母数字字符：

def check_subset_regex(vendor, employee):
    if vendor == '':
        return []

    clean_vnd = re.sub('[' + string.punctuation + ']', '', vendor)

    pattern = '|'.join(['(?:'+x+'[^a-zA-Z0-9]?)' for x in clean_vnd.lower().split(' ')])
    return re.findall(pattern, employee)

在本例中，我们使用：
-

^

作为

[]

（称为字符类）中的第一个字符，表示除字符类中指定的字符以外的任何字符，例如

[^abc]

将匹配任何非

a

或

b

或

c

（因此

d

，或空白，或

） -和

？

，这意味着前面的符号是可选的

---

所以，

[^a-zA-Z0-9]？

表示可选的单个非字母数字字符。

我不希望在“原子”中找到“Tom”。您的解决方案看起来不错。让我理解它，我会接受它。感谢您的解释……这有助于……教我如何钓鱼！在

检查子集正则表达式（“ABC xy 54！”，“54 xy”）的情况下，它不起作用

…当我进行搜索时，我可以使用特殊字符，因为它们可能表示句子的结尾或问题的结尾等。@Ni_Tempe在这种情况下，它不匹配，因为我们尚未从供应商处清除标点符号。是否要清除所有标点符号？我们可以先清除所有特殊字符。但我很好奇我们可以做一些类似于

“search\u word=”“+search\u word+”[^a-zA-Z\d:]“

然后

str.findall（search\u word）

的事情吗？你的意思是在单词末尾添加特殊字符的可能性？当然可以，请参见EDIT2:）

def check_subset_regex(vendor, employee):
    if vendor == '':
        return []

    clean_vnd = re.sub('[' + string.punctuation + ']', '', vendor)

    pattern = '|'.join(['(?:'+x+'[^a-zA-Z0-9]?)' for x in clean_vnd.lower().split(' ')])
    return re.findall(pattern, employee)